diff --git a/4-manufacturing/lessons/2-check-fruit-from-device/translations/README.bn.md b/4-manufacturing/lessons/2-check-fruit-from-device/translations/README.bn.md
new file mode 100644
index 00000000..2df35377
--- /dev/null
+++ b/4-manufacturing/lessons/2-check-fruit-from-device/translations/README.bn.md
@@ -0,0 +1,218 @@
+# Iot ডিভাইস ব্যাবহার করে ফল এর মান যাচাই 
+
+![A sketchnote overview of this lesson](../../../../sketchnotes/lesson-16.jpg)
+
+> স্কেচনোটটি তৈরী করেছেন [Nitya Narasimhan](https://github.com/nitya)। বড় সংস্করণে দেখার জন্য ছবিটিতে ক্লিক করতে হবে।
+
+## লেকচার-পূর্ববর্তী কুইজ
+
+[লেকচার-পূর্ববর্তী কুইজ](https://brave-island-0b7c7f50f.azurestaticapps.net/quiz/31)
+
+## সূচনা
+
+পূরববর্তি লেসন এ আমরা ইমেজ ক্লাসিফায়ার নিয়ে জানলাম, এবং কিভাবে তাদের train করা যায় ভাল এবং খারাপ ফল সনাক্ত করার জন্য। এই ইমেজ ক্লাসিফায়ার টাকে Iot এপ্লিকেশন এ ব্যাবহার করতে আমাদেরকে কোনো ধরনের ক্যামেরা দিয়ে ইমেজ ক্যাপচার করতে হবে এবং এই ইমেজ টাকে ক্লাউড এ পাঠাতে হবে।
+
+
+এই লেসন এ আমরা ক্যামেরা সেন্সর নিয়ে জানবো , এবং কিভাবে এগুলোকে Iot ডিভাইস এর সাথে ব্যাবহার করে ইমেজ ক্যাপচার করতে হয়। আমরা আরো জানবো কিভাবে ইমেজ ক্লাসিফায়ারটাকে Iot ডিভাইস থেকে কল করতে হয়। 
+
+এই লেসন এ আমরা কভার করবোঃ 
+
+* [Camera sensors](#camera-sensors)
+* [Capture an image using an IoT device](#capture-an-image-using-an-iot-device)
+* [Publish your image classifier](#publish-your-image-classifier)
+* [Classify images from your IoT device](#classify-images-from-your-iot-device)
+* [Improve the model](#Improve-the-model)
+
+
+
+## ক্যামেরা সেন্সর
+
+ক্যামেরা সেন্সর, তার নামের মতই এমন ক্যামেরা যা IoT ডিভাইস এর সাথে কানেক্ট করা যায়। এগুলো স্থিরচিত্র অথবা স্ট্রিমিং ভিডিও ক্যাপচার করতে পারে, কিছু ডিভাইস গুলো মূল ইমেজ ডাটা ফেরত পাঠাই , বাকি গুলো  ইমেজ ডাটা কমপ্রেস করে JPEG অথবা PNG টাইপ এর ইমেজ ফাইল বানাবে। সাধারণত যে কামেরা  গুলো IoT ডিভাইস গুলোর সাথে ব্যাবহার করা হয়  আমরা যেগুলো ব্যাবহার করে অভ্যস্ত সেগুলো থেকে অনেক ছোট সাইজ এর এবং কম রেজোলিউশান এর, কিন্তু আমরা হাই রেজোলিউশান এর ক্যামেরা নিতে পারি যেগুলো আধুনিক ফোন গুলার সাথে টেক্কা দেয়। আমরা সব ধরনের ইন্টারচেঞ্জেবল লেন্স , কয়েকটা ক্যামেরা সেটাপ , ইনফ্রারেড থার্মাল ক্যামেরা অথবা ইউভি ক্যামেরা নিতে পারি।
+
+![The light from a scene passes through a lens and is focused on a CMOS sensor](../../../../images/cmos-sensor.png)
+
+
+বেশিরভাগ ক্যামেরা সেন্সর ইমেজ সেন্সর ব্যাবহার করে যেখানে প্রত্যেক পিক্সেল হল ফটোডায়োড। একটা লেন্স ইমেজ সেন্সর এর উপর ইমেজ টাকে ফোকাস করে এবং হাজার  অথবা  লক্ষ লক্ষ ফটোডায়োড। প্রত্যেকের উপর পরা  আলো ডিটেক্ট করে , এবং পিক্সেল ডাটা হিসাবে রেকর্ড করে।
+
+
+
+> 💁 লেন্স ইমেজ কে উল্টায়, পরে ক্যামেরা সেন্সর আবার ঠিক ভাবে ইমেজ টাকে উল্টায়। ঠিক একই রকম আমাদের চোখে হয় - আমরা যা দেখি তা চোখের পিছনে 
+উল্টো ভাবে ডিটেক্ট করে এবুং ব্রেন সেটাকে ঠিক করে। 
+
+
+
+> 🎓 ইমেজ সেন্সরটা একটিভ-পিক্সেল সেন্সর (APS) হিসেবে পরিচিত, এবং সবচেয়ে জনপ্রিয় টাইপ এর  APS হল কমপ্লিমেন্টারি মেটাল-অক্সাইড সেমিকন্ডাক্টর সেন্সর,  অথবা CMOS। আমরা শুনে থাকতে পারি  ক্যামেরা সেন্সর এ CMOS সেন্সর ব্যাবহার এর টার্ম টা।
+
+
+
+
+ক্যামেরা সেন্সর হল ডিজিটাল সেন্সর , ইমেজ ডাটা কে ডিজিটাল ডাটা হিসেবে পাঠায়, সাধারণত যে লাইব্রেরি কমিউনিকেশন প্রদান করে তার সাহায্য নিয়ে, ক্যামেরা গুলো কানেক্ট করে SPI এর মত প্রোটকল ব্যাবহার করে যা তাদের বড় পরিমাণে ডাটা পাঠাতে অনুমোদন দেয় - ইমেজ গুলো temperature সেন্সর এর মত সেন্সর থেকে পাওয়া সিংগেল নাম্বার থেকে যথেষ্ট পরিমাণে বড়।
+
+✅ What are the limitations around image size with IoT devices? Think about the constraints especially on microcontroller hardware.
+
+✅ IoT ডিভাইস গুলোর ইমেজ সাইজ এর সীমাবদ্ধতা কি কি? সীমাবদ্ধতাগুলো চিন্তা করি বিশেষ করে মাইক্রোকন্ট্রোলার হার্ডওয়ার এর উপর।
+
+
+
+## IoT ডিভাইস ব্যাবহার করে ইমেজ ক্যাপচার করা
+
+আমরা আমাদের IoT ডিভাইস  ক্যাপচার এবুং ইমেজ ক্লাসিফাই করতে ব্যাবহার করতে পারি।
+
+### Task - capture an image using an IoT device
+
+
+
+### টাস্ক - IoT ডিভাইস ব্যাবহার করে ইমেজ ক্যাপচার করা
+
+প্রাসঙ্গিক গাইড এর মাধ্যমে কাজ IoT ডিভাইস ব্যাবহার করে ইমেজ ক্যাপচার করিঃ 
+
+
+* [Arduino - Wio Terminal](wio-terminal-camera.md)
+* [Single-board computer - Raspberry Pi](pi-camera.md)
+* [Single-board computer - Virtual device](virtual-device-camera.md)
+
+
+
+## আমাদের ইমেজ ক্লাসিফায়ার পাবলিশ করি
+
+আমরা শেষ লেসন এ ইমেজ ক্লাসিফায়ার ট্রেন করেছিলাম। Iot ডিভাইস এটা ব্যাবহার করার আগে, আমাদের model তা পাবলিশ করতে হবে। 
+
+
+### Model পুনরাবৃত্তি
+
+যখন আমাদের model শেষ লেসন এ ট্রেন হচ্ছিলো, আমরা হয়ত খেয়াল করছিলাম যে **Performance** ট্যাব সাইড এ পুনরাবৃত্তিগুলো দেখায়। যখন আমরা প্রথম model টা ট্রেন করি তখন আমরা দেখে থাকতে পারি  *Iteration 1* ট্রেইনিং এ। যখন আমরা model টাকে  প্রেডিকশন ইমেজ ব্যাবহার করে আরো উন্নত করি, তখন আমরা দেখে থাকতে পারি *Iteration 2* ট্রেইনিং এ।
+
+প্রতেকবার আমরা যখন model টাকে ট্রেইন করি, আমরা নতুন পুনরাবৃত্তি পাই। এভাবে আমরা বিভিন্ন ডাটাসেট এর উপর ট্রেইন করা আমাদের model এর বিভিন্ন ভার্সন ট্র্যাক করতে পারি। যখন আমরা **Quick Test** করি, এখানে আমরা পুনরাবৃত্তি সিলেক্ট করার একটি ড্রপডাউন মেনু পাই, যেন আমরা বিভিন্ন পুনরাবৃত্তি এর রেজাল্ট তুলনা করতে পারি।
+
+যখন আমরা একটি পুনরাবৃত্তি নিয়ে সন্তুষ্ট হই, আমরা এটাকে পাবলিশ করতে পারি এক্সটার্নাল এপ্লিকেশন থেকে ব্যাবহার সহজলভ্য করার জন্য। এভাবে আমরা আমাদের ডিভাইস দিয়ে ব্যাবহার করা একটি পাবলিক ভার্সন পেতে পারি, পরে আরো নতুন কিছু পুনরাবৃত্তি এর উপর নতুন ভার্সন নিয়ে কাজ করতে পারি, পরে যখন আমরা এটা নিয়ে সন্তুষ্ট হব তখন এটা পাবলিশ করতে পারি।
+
+
+
+
+### টাস্ক - পুনরাবৃত্তি পাবলিশ করা 
+
+
+পুনরাবৃত্তি হল কাস্টম ভিসন পোর্টাল ।
+
+
+
+1. [CustomVision.ai](https://customvision.ai) তে কাস্টম ভিসন পোর্টাল লঞ্চ করি এবং সাইন ইন করি যদি ইতিমধ্যে এটা খুলে না থাকি। পরে আমাদের `fruit-quality-detector`  প্রোজেক্ট খুলি।
+
+
+
+1. উপরের  অপশন থেকে **Performance** ট্যাব সিলেক্ট করি।
+
+
+1. সাইড এর *Iterations* লিস্ট থেকে সর্বশেষ পুনরাবৃত্তি সিলেক্ট করি।
+
+
+
+
+1. পুনরাবৃত্তি এর জন্য **Publish** বাটন সিলেক্ট করি।
+
+    ![The publish button](../../../../images/custom-vision-publish-button.png)
+
+
+
+
+1. *Publish Model* ডায়লগ এ, *Prediction resource* এ আগের লেসন এ আমাদের তৈরি রিসোর্স `fruit-quality-detector-prediction` সেট করি। নাম হিসেবে  `Iteration2` রাখি, এবং **Publish** বাটন সিলেক্ট করি। 
+
+
+1. একবার পাবলিশ করা হলে, **Prediction URL** বাটন সিলেক্ট করি। এটা প্রেডিকশন এপিআই এর ডিটেলস দেখাবে, এবং আমাদের IoT ডিভাইস থেকে model কে কল করতে এগুলো দরকার হবে। নিচের সেকশন কে *If you have an image file* হিসেবে লেবেল করা , এবং এই ডিটেইল গুলো আমরা চাই। দেখানো URL এর কপি করি যেটা কিছু টা এরকম হবেঃ
+
+    ```output
+    https://<location>.api.cognitive.microsoft.com/customvision/v3.0/Prediction/<id>/classify/iterations/Iteration2/image
+    ```
+    যেখানে `<location>` হবে কাস্টম ভিসন পোর্টাল রিসোর্স তৈরি করার সময় ব্যাবহার করা লোকেশন, এবং `<id>` হবে অনেকগুলো লেটার এবং নাম্বার দিয়ে তৈরি করা লম্বা আইডি।
+
+    এছাড়াও *Prediction-Key* ভ্যালু এর একটি কপি নিই। এটা একটি সিকিউরড কি যেটা model কে কল করার সময় পাস করা হয়। শুধুমাত্র যে আপ্লিকেশন গুলো এই কি পাস করবে তাদেরকে model টা ব্যাবহার করতে দেয়া হবে, অন্য সব আপ্লিকেশন কে প্রত্যাখ্যান হবে।
+
+    ![The prediction API dialog showing the URL and key](../../../../images/custom-vision-prediction-key-endpoint.png)
+
+
+
+✅ যখন একটি নতুন পুনরাবৃত্তি পাবলিশ করা হয়, তখন এটার অন্য নাম থাকে।ন IoT ডিভাইস এর ব্যাবহার করা পুনরাবৃত্তি আমরা কিভাবে পরিবর্তন করা যায় সেটা আমরা কিভাবে চিন্তা করতে পারি।
+
+## Classify images from your IoT device
+
+## IoT ডিভাইস থেকে ইমেজ ক্লাসিফাই করা
+
+You can now use these connection details to call the image classifier from your IoT device.
+
+আমরা এখন এই কানেকশন ডিটেইলস গুলো IoT ডিভাইস থেকে ইমেজ ক্লাসিফায়ার কল করার জন্য ব্যাবহার করতে পারি।
+
+### Task - classify images from your IoT device
+
+### টাস্ক - আমাদের IoT ডিভাইস থেকে ইমেজ ক্লাসিফাই করা
+
+
+প্রাসঙ্গিক গাইড এর মাধ্যমে কাজ IoT ডিভাইস ব্যাবহার করে ইমেজ ক্যাপচার করিঃ
+
+* [Arduino - Wio Terminal](wio-terminal-classify-image.md)
+* [Single-board computer - Raspberry Pi/Virtual IoT device](single-board-computer-classify-image.md)
+
+
+## Model উন্নত করা
+
+
+
+আমরা যেনে থাকতে পারি যে, IoT ডিভাইস এর সাথে কানেক্টেড থাকা ক্যামেরা থেকে আমরা আশানুরূপ রেজাল্ট নাও পেতে পারি। আমাদের কম্পিউটার থেকে আপলোড করা ইমেজ ব্যাবহার করা  প্রেডিকশন গুলো সবসময় সঠিক হয় না।  এটার কারন হল Model যে ডাটার উপর ট্রেইন করা হয়েছে তার থেকে ভিন্ন ডাটা প্রেডিকশন এর জন্য ব্যাবহার করা।
+
+
+
+ইমেজ ক্লাসিফায়ার থেকে সবচেয়ে ভাল রেজাল্ট এর জন্য, আমরা প্রেডিকশন এর জন্য ব্যাবহার করা ইমেজ এর মত যথাসম্ভব অনুরূপ  ইমেজ উপর আমাদের model ট্রেইন করতে চাবো। উদাহরণ স্বরূপ, আমরা যদি ট্রেইনিং এর ইমেজ ক্যাপচার এর জন্য ফোন ক্যামেরা ব্যাবহার করি, সেটার ইমেজ কোয়ালিটি, শার্পনেস, এবং কালার একট IoT ডিভাইস এর সাথে কানেক্টেড ক্যামেরা থেকে ভিন্ন হবে।
+
+![2 banana pictures, a low resolution one with poor lighting from an IoT device, and a high resolution one with good lighting from a phone](../../../../images/banana-picture-compare.png)
+
+
+
+উপরের ইমেজ এ, বামের কলার ছবি একটি রাস্পবেরি পাই ক্যামেরা থেকে নেয়া হয়েছিল, ডানের টা একই কলার ছবি আইফোন ক্যামেরা থেকে নেয়া হয়েছিল। এখানের কোয়ালিটির দিক থেকে লক্ষণীয় ভিন্নতা আছে - আইফোন এর ছবি টা শার্পার,  উজ্জ্বল কালার সহ এবং বেশি কন্ট্রাস্ট এর।
+
+
+✅ আমাদের IoT ডিভাইস দিয়ে ক্যাপচার করা ইমেজ এর ভুল প্রেডিকশন এর জন্য আর কি কি কারন থাকতে পারে? একটা Iot ডিভাইস যে পরিবেশে ব্যাবহার করা হতে পারে সেটা নিয়ে চিন্তা করি, কি কি ফ্যাক্টর ক্যাপচার করা ইমেজ কে প্রভাবিত করতে পারে।
+
+model কে উন্নত করার জন্য, আমরা IoT ডিভাইস থেকে ক্যাপচার করা ইমেজ দিয়ে  রিট্রেইন করতে পারি।
+
+
+---
+
+### টাস্ক - model উন্নত করা
+
+1. আমাদের IoT ডিভাইস দিয়ে পাকা এবং কাচা এর কিছু ইমেজ ক্লাসিফাই করি।
+
+1. কাস্টম ভিসন পোর্টাল এ, *Predictions* ট্যাব এর ইমেজ ব্যাবহার করে রিট্রেইন করি।
+
+    > ⚠️আমরা রেফার করতে পারি [the instructions for retraining your classifier in lesson 1 if needed](../1-train-fruit-detector/README.md#retrain-your-image-classifier).
+
+1. যদি আমাদের ইমেজ ট্রেইনিং এ ব্যাবহার করা আসল ইমেজ থেকে দেখতে অনেক ভিন্ন হয়, আমরা আসল ইমেজ গুলো *Training Images* ট্যাব সিলেক্ট করে এবং **Delete** বাটন সিলেক্ট করে ডিলিট করতে পারি। ইমেজ সিলেক্ট করার জন্য, আমাদের কার্সর তা এর উপর মুভ করি এবং একটি টিক আসবে, টিক টা সিলেক্ট অথবা ডিসিলেক্ট করি ইমেজ সিলেক্ট অথবা ডিসিলেক্ট করার জন্য।
+
+1. একটি নতুন পুনরাবৃত্তি ট্রেইন করি এবং উপরের ধাপ ব্যাবহার করে পাবলিশ করি।
+
+1. আমাদের কোড এর endpoint URL আপডেট করি, এবং অ্যাপ তা পুনরায় রান করি।
+
+1. প্রেডিকশন এর রেসাল্ট নিয়ে সন্তুষ্ট না হওয়া পর্যন্ত এই ধাপ গুলো পুনরাবৃত্তি করি।
+
+---
+
+
+## 🚀 চ্যালেঞ্জ
+
+ইমেজ এর রেজোলিউশন অথবা আলো প্রেডিকশন কে কতটুকু প্রভাবিত করে?
+
+আমাদের ডিভাইস এর কোড এ ইমেজ এর রেজোলিউশন চেঞ্জ করার চেষ্টা করি এবং দেখি যদি এটা ইমেজ এর কোয়ালিটি তে কোন পার্থক্য আনে। এছাড়াও আলো চেঞ্জ করে চেষ্টা করি।
+
+যদি আমরা প্রোডাকশন ডিভাইস ফার্ম অথবা ফ্যাক্টরি তে বেচার জন্য বানাই, আমরা কিভাবে নিশ্চিত করতে পারি যে এটা সব সময় সামঞ্জস্যপূর্ণ রেজাল্ট দিবে।
+
+## ## লেকচার-পরবর্তী কুইজ
+
+[লেকচার-পরবর্তী কুইজ](https://brave-island-0b7c7f50f.azurestaticapps.net/quiz/32)
+
+## রিভিউ ও স্ব-অধ্যয়ন
+
+আমরা আমাদের কাস্টম ভিসন মডেল পোর্টাল ব্যাবহার করে ট্রেইন করেছি। এটা ইমেজ এর সহজলভ্যতার উপর নির্ভর করে - এবং বাস্তব জগতে আমরা আমাদের ক্যামেরা ডিভাইস এর সাথে ম্যাচ করে এমন ট্রেইনিং ডাটা হয়ত পাবো না। আমরা এটার বদলে আমাদের ডিভাইস থেকে সরাসরি ট্রেইনিং করতে পারি করতে এপিআই ব্যাবহার করে, IoT ডিভাইস থেকে ক্যাপচার করা ইমেজ দিয়ে মডেল ট্রেইন করার জন্য।
+
+* ট্রেইনিং এপিআই এর উপর পড়ুন [using the Custom Vision SDK quick start](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/image-classification?WT.mc_id=academic-17441-jabenn&tabs=visual-studio&pivots=programming-language-python)
+
+## এসাইনমেন্ট
+
+[ক্লাসিফিকেশন রেজাল্ট এর উত্তর দেত্তয়া](https://docs.microsoft.com/azure/cognitive-services/custom-vision-service/quickstarts/image-classification?WT.mc_id=academic-17441-jabenn&tabs=visual-studio&pivots=programming-language-python)